Opis stanowiska
Osoba zatrudniona na stanowisku doktoranta będzie odpowiedzialna za prowadzenie badań naukowych nad zastosowaniem metod topologicznej analizy danych (Topological Data Analysis, TDA) do analizy i interpretacji działania sztucznych sieci neuronowych.
Nasze wymagania
- spełnienie wymagań określonych w art. 113 ustawy Prawo o szkolnictwie wyższym i nauce (Dz.U. 2024, poz. 1571 t.j.)
- stopień naukowy lub dyplom w dziedzinie matematyki, informatyki, analizy danych, fizyki lub dyscyplinie pokrewnej, odpowiedni do szczebla stanowiska
- solidne przygotowanie w co najmniej jednym z następujących obszarów: uczenie maszynowe, topologiczna analiza danych (TDA), topologia stosowana, geometria obliczeniowa, układy dynamiczne lub matematyczna analiza danych – mile widziane doświadczenie w pracy w przemyśle
- znajomość podstawowych zasad uczenia maszynowego i sieci neuronowych
- wysokie umiejętności programistyczne (preferowany język Python) oraz gotowość do implementacji i eksperymentalnej oceny nowych metod
- umiejętność i gotowość do pracy z danymi wielowymiarowymi oraz modelami obliczeniowymi
- umiejętność samodzielnej pracy, formułowania pytań badawczych oraz jasnego komunikowania wyników badań
- dobra znajomość języka angielskiego w mowie i piśmie
- posiadanie statusu doktoranta w szkole doktorskiej lub bycie na liście zakwalifikowanych do szkoły doktorskiej
Mile widziane
- wcześniejsze doświadczenie w pracy z homologią trwałą (persistent homology), algorytmami Mapper, Ball Mapper lub innymi metodami topologicznej analizy danych
- doświadczenie w pracy z głębokimi sieciami neuronowymi oraz analizą reprezentacji wewnętrznych lub przestrzeni aktywacji
- znajomość geometrycznych lub topologicznych podejść do uczenia maszynowego i uczenia reprezentacji
- doświadczenie w pracy z frameworkami takimi jak PyTorch, TensorFlow, JAX lub pokrewnymi narzędziami do uczenia maszynowego
- doświadczenie w pracy z konwolucyjnymi sieciami neuronowymi, transformerami lub innymi nowoczesnymi architekturami sieci neuronowych
- znajomość zagadnień związanych z przykładami zwodniczymi (adversarial examples), odpornością modeli (robustness), interpretowalnością lub wyjaśnialną sztuczną inteligencją (XAI)
- wiedza z zakresu układów dynamicznych oraz metod porównywania dynamik
- doświadczenie w redukcji wymiarowości, uczeniu rozmaitości (manifold learning), grupowaniu danych oraz analizie danych wielowymiarowych
- doświadczenie w przetwarzaniu języka naturalnego (NLP) lub reprezentacji danych nienumerycznych będzie dodatkowym atutem
- doświadczenie zawodowe w przemyśle w obszarze uczenia maszynowego, sztucznej inteligencji, analizy danych lub tworzenia oprogramowania,szczególnie obejmujące pracę z rzeczywistymi zbiorami danych lub wdrażanie systemów AI
- doświadczenie we współpracy interdyscyplinarnej z partnerami akademickimi lub przemysłowymi
- zainteresowanie łączeniem teorii matematycznej z eksperymentami obliczeniowymi oraz zastosowaniami w rzeczywistych systemach sztucznej inteligencji
Zakres obowiązków
- Opracowywanie nowych metod matematycznych i algorytmicznych służących do badania geometrii i topologii przestrzeni aktywacji oraz wewnętrznych reprezentacji danych w sieciach neuronowych
- Analiza zmian struktury reprezentacji danych zachodzących podczas procesu uczenia sieci neuronowych oraz badanie ich związku z jakością predykcji, zdolnością do generalizacji i odpornością modeli
- Rozwijanie i implementacja narzędzi obliczeniowych wykorzystujących metody TDA, w szczególności Mapper, Ball Mapper i homologii persystentnej, do analizy różnych architektur sieci neuronowych, w tym sieci konwolucyjnych i modeli typu Transformer
- Projektowanie i przeprowadzanie eksperymentów obliczeniowych na rzeczywistych i syntetycznych zbiorach danych, w tym badanie możliwości identyfikacji przykładów adwersarialnych i nietypowych zachowań modeli AI
- Przygotowywanie publikacji naukowych, prezentowanie wyników badań na konferencjach oraz współpracę z członkami interdyscyplinarnego zespołu badawczego
Oferujemy
- pracę w interdyscyplinarnym zespole prowadzącym prace badawcze i rozwojowe o wysokiej innowacyjności
- atrakcyjne wynagrodzenie
Dokumenty wymagane do rekrutacji
- List motywacyjny wyjaśniający zainteresowanie projektem, adresowany do Dyrektora Centrum Godnej Zaufania Sztucznej Inteligencji dla Nauk o Życiu – Międzynarodowa Agenda Badawcza
- Życiorys badawczy kandydata z uwzględnieniem publikacji, wystąpień konferencyjnych, doświadczenia implementacyjnego oraz pracy w przemyśle
- Opis kluczowych kompetencji i doświadczeń
- Opis osiągnięć naukowych, Należy uwzględnić publikacje, wdrożenia lub patenty, wyróżnienia lub nagrody
- Formularz „Kwestionariusz kandydata”
- Skan dyplomu magisterskiego
Załączniki
Dodatkowe informacje dla kandydata
Centrum Godnej Zaufania Sztucznej Inteligencji dla Nauk o Życiu - Międzynarodowa Agenda Badawcza (TRAILS) koncentruje się na opracowaniu nowej metod AI łączących wysoką skuteczność predykcyjną z przejrzystością, wiarygodnością oraz możliwością praktycznego zastosowania w naukach o życiu. TRAILS dąży do opracowania bezpiecznych i wyjaśnialnych modeli AI, zdolnych do analizy danych wielomodalnych, w szczególności szeregów czasowych, tekstu oraz sygnałów biologicznych. Kluczowym obszarem aplikacyjnym jest elektroencefalografia (EEG), której analiza stanowi jedno z największych wyzwań współczesnej diagnostyki neurologicznej. Profil badawczy TRAILS obejmuje cztery komplementarne obszary. Pierwszy z nich dotyczy opracowania systemów AI do analizy danych biologicznych. Drugi koncentruje się na budowie efektywnych modeli podstawowych. Trzeci obejmuje rozwój matematycznych podstaw AI. Czwarty topologiczną analizę danych umożliwiającą ekstrakcję cech opisujących strukturę i kształt danych.
Weź udział w rekrutacji
- Wyślij dokumenty na adres e-mail: trails@uw.edu.pl